cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Erlangga Hadi
Contact Email
shofanahmediaberkah@gmail.com
Phone
+6285776447971
Journal Mail Official
admin@jurnalmahasiswa.com
Editorial Address
-
Location
Unknown,
Unknown
INDONESIA
AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan
Published by CV. SHOFANAH MEDIA BERKAH
ISSN : -     EISSN : 30250927     DOI : -
Core Subject : Science, Engineering,
Aerospace Engineering Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management
- MAchine learning - Sistem Penunjang Keputusan - Sistem Pakar - Deep Learning - Kecerdasan Buatan - Computer Vision - Image Processing - Robot Cerdas - serta ilmu komputer yang relevan
Arjuna Subject : Ilmu Komputer (semua kategori) - Aplikasi Ilmu Komputer
Articles 143 Documents
 10   11   12   13   14 
Implementasi Sistem Pengaturan Lampu Lalu Lintas Berbasis DRL untuk Mengoptimalkan Durasi Lampu Hijau Firnando, Roqman; Saprudin
AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan Vol. 3 No. 2 (2025): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan
Publisher : CV. Shofanah Media Berkah

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kemacetan lalu lintas di persimpangan jalan merupakan masalah serius di kota-kota besar, terutama akibat sistem kontrol lampu statis yang tidak adaptif. Sistem konvensional seringkali tidak mampu merespons kondisi lalu lintas real-time, mengakibatkan antrean panjang dan waktu tunggu yang tidak efisien. Oleh karena itu, penelitian ini mengimplementasikan sistem pengaturan lampu lalu lintas berbasis Deep Reinforcement Learning (DRL) untuk mengoptimalkan durasi lampu hijau secara adaptif. Pendekatan DRL dengan algoritma Double Deep Q-Network (Double DQN) diimplementasikan dalam simulasi SUMO. Agen DRL dilatih untuk menerima informasi state (jumlah antrean kendaraan dan fase lampu hijau yang aktif) dan menghasilkan action (memilih durasi fase hijau). Fungsi reward dirancang untuk meminimalkan "Tekanan" sistem (yaitu jumlah kuadrat antrean), yang berfungsi untuk menghukum ketidakseimbangan lalu lintas dan memandu agen belajar strategi optimal. Hasil pengujian komparatif pada berbagai skenario, khususnya skenario acak untuk uji generalisasi, menunjukkan DRL secara signifikan lebih unggul dari sistem kontrol waktu tetap (Statis-30s dan Statis-60s). DRL berhasil menurunkan rata-rata antrean hingga 36.76%, meningkatkan rata-rata kecepatan kendaraan hingga 29.47%, dan meningkatkan throughput hingga 2.70% (vs. Statis-60s). Terhadap Statis-30s, DRL unggul dengan penurunan rata-rata antrean 12.86%, peningkatan rata-rata kecepatan 6.05%, dan peningkatan throughput 2.86%. Keunggulan ini mencakup kemampuan bergeneralisasi yang kuat. Penelitian ini menyimpulkan pendekatan DRL dengan Double DQN adalah solusi efektif dan tangguh untuk mengoptimalkan durasi lampu hijau.
Analisis Pola Sebaran Jumlah Tugas Mingguan Mahasiswa Menggunakan Distribusi Poisson Shafna Rimba, Regia; Adrian Prasasti, Erina; Rosyani, Perani
AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan Vol. 3 No. 2 (2025): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan
Publisher : CV. Shofanah Media Berkah

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini bertujuan untuk menguji kesesuaian (goodness-of-fit) model Distribusi Poisson dalam merepresentasikan pola frekuensi penugasan mingguan pada mahasiswa Teknik Informatika Semester 3 Universitas Pamulang. Mengingat urgensi beban akademik sebagai parameter evaluasi pendidikan yang objektif, analisis statistik diterapkan terhadap data yang dihimpun dari 93 responden valid. Berdasarkan data empiris, rata-rata beban tugas mingguan ???? teridentifikasi sebesar 5,12.Validasi model menggunakan uji Chi- Square menghasilkan nilai statistik ????2 = 5,045 dengan derajat kebebasan (???????? ) 7 dan signifikansi ???? − ???????????????????? = 0,654. Mengingat nilai ???? > 0,05, maka Hipotesis Nol (????0) diterima, yang mengindikasikan bahwa distribusi tugas mingguan mengikuti pola Distribusi Poisson. Lebih lanjut, analisis korelasi Spearman menunjukkan hubungan positif yang signifikan (???? = 0,558; ???? < 0,001) antara kuantitas tugas dan persepsi beban akademik. Temuan ini mengonfirmasi bahwa model Poisson dapat diandalkan sebagai instrumen prediktif dan evaluatif bagi institusi dalam merumuskan proporsi beban akademik yang berimbang.
Sistem Rekomendasi Film Menggunakan Collaborative Filtering Ripan, Fitrah Gisma; Nasution, Doni; Raffi, Muhammad; Maulana, Zikri; Rosyani, Perani
AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan Vol. 3 No. 2 (2025): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan
Publisher : CV. Shofanah Media Berkah

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Perkembangan layanan digital yang menyediakan ribuan film menimbulkan tantangan bagi pengguna dalam menemukan tontonan yang sesuai dengan preferensi pribadi. Penelitian ini membangun Sistem Rekomendasi Film menggunakan metode Collaborative Filtering dengan memanfaatkan data rating pengguna untuk memprediksi film yang berpotensi disukai. Tahapan penelitian meliputi pemuatan dataset, pembersihan data, analisis eksploratif, pembentukan user-item matrix, perhitungan cosine similarity, serta pembangunan dua model rekomendasi yaitu User-Based dan Item-Based Collaborative Filtering. Selain itu, fitur pencarian judul film diterapkan menggunakan metode string matching dengan library difflib. Hasil analisis menunjukkan bahwa cosine similarity mampu mengukur kemiripan antar pengguna maupun antar film secara efektif, sehingga rekomendasi yang dihasilkan lebih relevan dan personal. Visualisasi heatmap juga membantu dalam memahami pola kemiripan antar film berdasarkan nilai similarity. Sistem ini diharapkan menjadi solusi yang efisien bagi pengguna dalam menemukan film sesuai preferensi tanpa harus melakukan pencarian manual.
Deteksi Kendaraan dengan Metode YOLO Prayoga, Bayu; Anwar, Borneo Paradis; Arrizqi, Ichsan; Aliek, Teguh Munanzar; Rosyani, Perani
AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan Vol. 3 No. 2 (2025): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan
Publisher : CV. Shofanah Media Berkah

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Deteksi kendaraan merupakan komponen penting dalam berbagai sistem berbasis visi komputer, termasuk manajemen lalu lintas, sistem identifikasi kendaraan, serta pengembangan teknologi kendaraan cerdas. Salah satu pendekatan yang banyak digunakan untuk tugas deteksi objek secara real-time adalah algoritma YOLO (You Only Look Once), yang dikenal karena efisiensi dan kecepatan pemrosesannya. Penelitian ini menyajikan studi tinjauan literatur mengenai penerapan algoritma YOLO dalam mendeteksi kendaraan pada data citra maupun video. Algoritma YOLO bekerja dengan memprediksi lokasi objek dan kategorinya secara simultan dalam satu proses, sehingga mampu mempercepat waktu inferensi tanpa melalui tahap pencarian kandidat objek secara terpisah. Tujuan dari penelitian ini adalah mengkaji performa algoritma YOLO dalam deteksi kendaraan, termasuk kelebihan serta keterbatasannya berdasarkan hasil penelitian terdahulu. Hasil tinjauan menunjukkan bahwa YOLO mampu memberikan kinerja yang baik dalam mendeteksi kendaraan dengan waktu komputasi yang singkat dan tingkat akurasi yang kompetitif. Metode ini telah banyak diadopsi dalam berbagai aplikasi yang membutuhkan respons cepat. Meskipun demikian, beberapa studi melaporkan bahwa YOLO masih menghadapi tantangan dalam mengenali objek berukuran kecil serta objek yang saling berdekatan. Oleh karena itu, penelitian selanjutnya disarankan untuk mengembangkan atau memodifikasi arsitektur YOLO guna meningkatkan kemampuan deteksi kendaraan secara lebih optimal.
Pengenalan Wajah Emosi Menggunakan CNN dan Ekstraksi Fitur HOG Saputra, Ilham Ahsan; Ubaydilah; Sulaeman, Muhammad Firzi; Bayu Samudra; Perani Rosyani
AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan Vol. 3 No. 2 (2025): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan
Publisher : CV. Shofanah Media Berkah

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pengenalan emosi wajah merupakan komponen penting dalam visi komputer karena mendukung interaksi manusia–komputer, analisis perilaku, serta pengembangan sistem cerdas berbasis persepsi visual. Namun, performa model pada dataset umum seperti FER-2013 sering terhambat oleh variasi pencahayaan, resolusi rendah, ketidakseimbangan kelas, dan potensi noise pada label. Penelitian ini mengusulkan pengembangan arsitektur Convolutional Neural Network (CNN) yang dioptimasi untuk meningkatkan akurasi dan kemampuan generalisasi dalam klasifikasi emosi wajah. Pendekatan yang digunakan mencakup preprocessing citra grayscale 48×48 piksel, augmentasi data, penerapan class weighting, serta modifikasi arsitektur dengan Batch Normalization, LeakyReLU, Global Average Pooling, dan Dropout. Model dievaluasi menggunakan akurasi, F1-score, confusion matrix, dan visualisasi Grad-CAM untuk menilai interpretabilitas.  Hasil eksperimen menunjukkan bahwa model yang diusulkan mencapai akurasi pengujian 56–58% dan weighted F1-score 0,55–0,58, meningkat signifikan dibandingkan model baseline CNN (41–42%) maupun pendekatan HOG+SVM (35–40%). Analisis menunjukkan peningkatan kinerja pada kelas minor, sementara Grad-CAM mengonfirmasi bahwa model memfokuskan perhatian pada area wajah relevan seperti mata dan mulut. Temuan ini membuktikan bahwa arsitektur CNN ringan yang dioptimasi mampu memberikan performa lebih stabil pada dataset berkualitas rendah dan tidak seimbang, serta menjadi dasar bagi pengembangan model lanjutan berbasis transfer learning dan attention mechanism.
Prediksi Kelulusan Mahasiswa Menggunakan Algoritma Decision Tree dengan Metode CART Sukma, Asri; Riski, Anggoro; Reza Nur Ihsan, Muhamad; Rosyani, Perani
AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan Vol. 3 No. 2 (2025): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan
Publisher : CV. Shofanah Media Berkah

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kelulusan tepat waktu merupakan indikator penting kinerja perguruan tinggi dan keberhasilan proses akademik mahasiswa. Tingkat keterlambatan kelulusan yang masih tinggi menunjukkan perlunya pendekatan prediktif berbasis data untuk mengidentifikasi mahasiswa berisiko sejak dini. Penelitian ini bertujuan membangun model prediksi kelulusan mahasiswa menggunakan algoritma Decision Tree dengan pendekatan CART. Dataset yang digunakan berasal dari Kaggle dan terdiri dari 379 data mahasiswa dengan variabel akademik dan non-akademik. Tahapan penelitian meliputi preprocessing data, pemodelan, evaluasi kinerja, serta analisis feature importance dan reduksi fitur. Evaluasi dilakukan menggunakan confusion matrix, akurasi, precision, recall, F1-score, serta cross-validation. Hasil penelitian menunjukkan bahwa variabel status mahasiswa dan beberapa nilai IPS memiliki pengaruh paling signifikan terhadap prediksi kelulusan. Setelah dilakukan tuning hiperparameter dan stratified cross-validation, model mencapai akurasi hingga 92,1% dan menunjukkan stabilitas yang lebih baik. Model dengan fitur terpilih dinilai lebih efisien dan interpretatif sehingga berpotensi diimplementasikan sebagai sistem peringatan dini bagi institusi pendidikan.
Prediksi Harga Emas Harian Menggunakan Random Forest Regressor Berbasis Indikator Teknikal Palaka, Muhammad Mabi; Saputro, Bagus; Baihaqi, Muhammad Alit; Rosyani, Perani
AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan Vol. 3 No. 2 (2025): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan
Publisher : CV. Shofanah Media Berkah

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pergerakan harga emas harian bersifat fluktuatif dan dipengaruhi oleh berbagai faktor ekonomi global, sehingga diperlukan metode prediksi yang akurat untuk membantu pengambilan keputusan investasi. Penelitian sebelumnya banyak menggunakan pendekatan deep learning seperti Long Short-Term Memory (LSTM) dalam memprediksi harga emas berbasis data time series. Meskipun memberikan hasil yang cukup baik, model LSTM memiliki kompleksitas tinggi dan membutuhkan sumber daya komputasi yang besar. Oleh karena itu, penelitian ini mengusulkan penggunaan Random Forest Regressor sebagai alternatif metode prediksi yang lebih sederhana dan mudah diinterpretasikan. Dataset yang digunakan merupakan data harga emas harian periode 2013–2023 dengan total 2.583 data. Tahapan penelitian meliputi preprocessing data, feature engineering menggunakan indikator teknikal seperti Simple Moving Average (SMA), Exponential Moving Average (EMA), Relative Strength Index (RSI), dan Moving Average Convergence Divergence (MACD), serta pemodelan menggunakan Random Forest Regressor. Evaluasi model dilakukan menggunakan Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa model Random Forest Regressor yang dimodifikasi mampu mencapai nilai MAPE sebesar 0,0034 dengan tingkat akurasi sebesar 0,9965. Nilai ini lebih tinggi dibandingkan model LSTM pada penelitian sebelumnya yang memperoleh akurasi sebesar 0,9674. Dengan demikian, Random Forest Regressor terbukti efektif sebagai metode prediksi harga emas harian berbasis indikator teknikal.
Penerapan Named Entity Recognition pada Teks Media Sosial Bahasa Indonesia Menggunakan BiLSTM-CRF Ilham, Ghatfani Muhammad; Santoso, Rahmat; Lestari, Sheril; Rosyani, Perani
AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan Vol. 3 No. 2 (2025): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan
Publisher : CV. Shofanah Media Berkah

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Named Entity Recognition (NER) merupakan salah satu tugas penting dalam Natural Language Processing (NLP) yang bertujuan untuk mengidentifikasi dan mengklasifikasikan entitas bernama seperti orang, lokasi, dan organisasi di dalam teks. Tantangan utama dalam penerapan NER pada bahasa Indonesia, khususnya pada data media sosial, terletak pada penggunaan bahasa tidak baku, singkatan, dan keberadaan noise teks. Penelitian ini mengusulkan penerapan model Bidirectional Long Short-Term Memory yang dikombinasikan dengan Conditional Random Field (BiLSTM-CRF) untuk melakukan NER pada teks bahasa Indonesia yang bersumber dari Twitter/X. Dataset yang digunakan berasal dari Kaggle dengan skema pelabelan BIO dan dibagi ke dalam data latih, validasi, dan uji. Tahapan penelitian meliputi preprocessing teks, pembangunan model BiLSTM-CRF, serta evaluasi performa menggunakan metrik precision, recall, dan F1- score. Hasil eksperimen menunjukkan bahwa model BiLSTM-CRF mampu mengenali entitas bernama dengan performa yang baik dan stabil pada data uji, sehingga pendekatan ini efektif untuk menangani karakteristik teks media sosial berbahasa Indonesia. Penelitian ini diharapkan dapat menjadi referensi bagi pengembangan sistem NER bahasa Indonesia pada data informal.
Prediksi Durasi Perjalanan Taxi NYC Menggunakan Regression Model Bunga, Azaria; Fariz, Muhammad; Firdaus, Muhammad Riyad; Rosyani, Perani
AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan Vol. 3 No. 2 (2025): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan
Publisher : CV. Shofanah Media Berkah

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Prediksi durasi perjalanan transportasi urban merupakan aspek penting dalam meningkatkan efisiensi operasional dan kualitas layanan. New York City Yellow Taxi menyediakan dataset perjalanan dalam jumlah besar yang dapat dimanfaatkan untuk membangun model prediksi berbasis machine learning. Penelitian ini mengembangkan sistem prediksi durasi perjalanan menggunakan empat algoritma: Linear Regression, Random Forest, Gradient Boosting, dan XGBoost. Dataset diproses melalui tahap preprocessing, feature engineering, dan  pembagian  data  menjadi training dan testing  set.  Hasil  penelitian  menunjukkan bahwa XGBoost memberikan performa terbaik dengan MAE 189,23 detik, RMSE 287,91 detik, dan R² sebesar 0,8657, mengungguli model lainnya. Faktor paling berpengaruh terhadap durasi perjalanan meliputi trip_distance, haversine_distance, dan hour_of_day. Sistem yang dibangun memungkinkan prediksi real-time serta analisis data secara komprehensif. Penelitian ini membuktikan bahwa algoritma tree- based boosting, khususnya XGBoost, efektif digunakan dalam memodelkan dinamika durasi perjalanan taxi di lingkungan urban yang kompleks.
Penerapan Teknik SVM untuk Klasifikasi Wine Berdasarkan Komposisi Kimia Zakaria, Arief Reza; Hamzah, Amri; Nur Hafsari, Lintang; Rosyani, Perani
AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan Vol. 3 No. 2 (2025): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan
Publisher : CV. Shofanah Media Berkah

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kualitas wine merupakan aspek penting dalam industri wine yang dipengaruhi oleh komposisi kimia. Penelitian ini bertujuan untuk mengklasifikasikan kualitas wine berdasarkan komposisi kimia menggunakan teknik Support Vector Machine (SVM). Dataset wine yang digunakan dalam penelitian ini diperoleh dari Kaggle, yang terdiri dari 5320 sampel wine dengan 11 fitur kimia. Hasil penelitian menunjukkan bahwa teknik SVM dapat mengklasifikasikan kualitas wine dengan akurasi yang tinggi, yaitu lebih dari 75%. Penelitian ini membuktikan bahwa teknik SVM dapat digunakan sebagai metode yang efektif untuk klasifikasi wine berdasarkan komposisi kimia.

Page 12 of 15 | Total Record : 143

 10   11   12   13   14 

Filter by Year

2023 2026


Reset
Filter By Issues
All Issue Vol. 3 No. 3 (2026): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan Vol. 3 No. 2 (2025): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan Vol. 3 No. 1 (2025): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan Vol. 2 No. 4 (2025): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan Vol. 2 No. 2 (2024): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan Vol. 2 No. 1 (2024): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan Vol. 1 No. 4 (2024): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan Vol. 1 No. 3 (2023): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan Vol. 1 No. 2 (2023): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan Vol. 1 No. 1 (2023): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan